مجله دندانپزشکی

Mendeley  

Zotero  

Sanaee B, Mohammadi H, Sanaee Y. Artificial intelligence-based models for prediction and detection of the early childhood caries: A narrative review. J Dent Med-tums 2026; 39 : 41
URL: http://jdm.tums.ac.ir/article-1-6456-fa.html

زمینه و هدف: با توجه به ماهیت چند عاملی پوسیدگی‌های زودرس کودکی (Early childhood caries) (ECC)، امروزه انواع مختلفی از الگوریتم‌های هوش مصنوعی (Artificial intelligence) توسعه یافته‌اند. این مطالعه با هدف توصیف انواع مدل‌های هوش مصنوعی و عملکرد آن‌ها در تشخیص و پیش ‌بینی ECC انجام شد.
روش بررسی: جستجو در پایگاه‌های داده الکترونیکی شامل Pubmed، Scopus و Library Cochrane در آوریل 2025 انجام شد. 390 مقاله با جستجوی کلمات کلیدی شناسایی شد. دو داور مستقل مقالات را بررسی کردند و 21 مقاله وارد این مرور روایی شدند.
یافته‌ها: به منظور پیش‌ بینی خطر ابتلا به ECC، یادگیری ماشینی تحت نظارت (Supervised machine learning)‌، شبکه عصبی (Neural network) و یادگیری بدون ناظر (Unsupervised learning) استفاده شدند. دقت و مساحت زیر منحنی گیرنده مدل‌ها به ترتیب 65/0 تا 97/0 و 69/0 تا 91/0 بود. حساسیت و ویژگی به ترتیب 20/0 تا 0/1 و 40/0 تا 92/0 بود. همچنین، به منظور تشخیص ECC از یادگیری ماشینی خودکار (Auto machine learning) و یادگیری عمیق (Deep learning) استفاده شد. دقت و مساحت زیر منحنی گیرنده مدل‌ها 67/0 تا 98/0 و 74/0 تا 96/0 متغیر بود. حساسیت و ویژگی به ترتیب 67/0 تا 98/0 و 66/0 تا 99/0 بود.
نتیجه‌گیری: مقالات موجود ناهمگونی قابل توجهی را در روش ‌شناسی، مقیاس‌های اندازه‌ گیری و نتایج نشان می‌دهند. تحقیقات بیشتری برای تعیین روش استاندارد برای مطالعات آینده نیاز است. تولید نرم ‌افزارهای ایرانی تلفن همراه برای تشخیص زود هنگام ECC در عکس‌های تهیه شده با تلفن همراه و یا نرم ‌افزارهایی برای پیش ‌بینی خطر ابتلا به ECC پیشنهاد می‌شود.